강준구
(Jungu Kang)
1
김동준
(Dongjun Kim)
1
최하진
(Hajin Choi)
2
이철우
(Cheolwoo Lee)
3
김홍섭
(Hongseop Kim)
4
송호민
(Homin Song)
5*
-
학생회원, 가천대학교 토목환경공학과 석사과정
-
정회원, 숭실대학교 건축학부 교수
-
비회원, ㈜제이스코리아 전문위원
-
비회원, 한국건설기술연구원 건축연구본부 수석연구원
-
정회원, 가천대학교 토목환경공학과 교수
Copyright © 2025 by The Korea institute for Structural Maintenance and Inspection
Keywords
Containment liner plate (CLP), Interface defects, Impact-response, Nondestructive evaluation, Machine learning, Defect visualization
핵심용어
격납건물 라이너 플레이트, 배면 결함, 충격-응답, 비파괴 평가, 머신러닝, 결함 시각화
1. 서 론
원자력 발전소의 격납건물은 원자로 및 주요 기기를 둘러싸는 최후의 방호벽으로, 방사성 물질의 외부 누출을 차단하고 외부 재해로부터 내부 시스템을 보호하는
핵심 구조물이다. 격납건물은 일반적으로 Fig. 1과 같이 철근 콘크리트 원통형 벽체와 반구형 돔 천장으로 구성되며, 내부 표면에는 두께 약 6mm의 강철 라이너 플레이트(Containment Liner
Plate, CLP)가 설치된다. CLP는 격납건물의 구조적 강도를 보완하는 한편 방사성 물질의 누출을 억제하는 기능을 수행하며, 원전 사고 발생
시 안전성을 유지하는 최종 차폐막 역할을 한다(Lee et al., 2020).
Fig. 1. Structure of nuclear power plant containment and liner plate
원자력안전위원회 보고서에 따르면, 고리 3⋅4호기에서 CLP의 두께가 기준 미달이 되는 부위가 총 359개소로 보고되었고, 한빛 3⋅4호기에서는 총
264개소에서 공극이 발생하는 등 CLP 배면 결함의 안전성 문제가 제기되고 있다(Nuclear Safety and Security Commission, 2017). 이러한 공극은 얕은 경우 CLP와 콘크리트 간의 접촉 불량, 즉 키싱 본드(Kissing bond)로 나타날 수 있다. 이를 건전부와 공극 상태의
중간 단계로 정의하며, 부분 접촉(Partial contact) 상태로 간주하였다(Yeom et al.,2022). 심화될 경우 수분 및 이물질 유입을 통해 CLP의 부식 및 두께 감소로 이어질 수 있다. 따라서 접촉 불량과 공극 모두가 장기적으로는 CLP의
감육 손상(Wall-thinning)을 유발할 수 있는 중요한 전조 현상으로 간주된다.
이러한 결함을 조기에 검출하기 위해 기존 연구들에서 다양한 비파괴검사 기법들이 적용되어 왔다(J. H. Kim., 2019). 초음파 전단파 단층촬영법(Ultrasonic shear wave tomograph-y)을 적용하여 콘크리트 구조체의 한쪽 면에서만 접근 가능한
경우에도 결함 검사가 가능하다는 연구 결과를 제시하였다(Scott, D. B., et al.,2013; Lee, J.-W., 2022). 그러나 격납건물의 두꺼운 콘크리트 구조와 다량의 철근 배치는 저주파수 사용을 요구하게 되고, 이는 검사 결과의 민감도와 해상도를 저하시켜 결함
구별이 어려워지는 한계를 확인하였다(Hohmann et al., 2014)은 자기변형 센서를 이용해 유도파를 발생⋅계측함으로써 시각적으로 접근할 수 없는 구역에서의 결함을 탐지할 수 있음을 보였다. 하지만 용접부에서는 유도파
신호가 약화되고, 가압수형 원자로 격납건물 기초에서 라이너 두께의 편차가 존재할 경우 결함 탐지 성능이 크게 저하되며 신호 감쇠가 증가하는 한계가
보고되었다. 한편, 위상배열초음파검사(Phased array ultrasonic testing, PAUT)를 적용한 라인형 검사에서 건전 영역과 결함
영역은 구분할 수 있음을 확인하였다(Yeom et al.,2022). 하지만, 접촉 불량과 공극 결함은 신호 차이가 미미해 구별이 어려웠으며, 접촉 조건에 따라 신호 오류가 빈번히 발생함을 확인하였다. 또한 음향공진기법(Acoustic
resonance method, ARM)을 적용한 이동식 태퍼 기반 영역 검사에서는 공진 주파수의 크기만으로는 결함 유형을 판별하기 어렵고, 주파수
패턴 분석이 요구되는 것으로 확인되었다. 이와 같이 기존 기법들은 특정 상황에서는 유용성을 보이나, CLP 배면에서 발생하는 다양한 결함을 신뢰성
있게 구분하기에는 민감도, 해상도, 신호 안정성 측면에서 한계가 존재한다.
이에 본 연구에서는 이러한 한계를 극복하기 위해 충격-응답 기법(Impact-response method)을 적용하고, 이를 통해 획득한 진동 데이터를
머신러닝 기법과 결합하여 CLP 배면 결함을 자동으로 검출 및 분류하는 방법을 제안한다. 제안된 방법은 충격에 의해 발생한 공진 응답 데이터의 패턴
차이를 분석함으로써 결함 탐지 뿐 아니라 공극, 접촉 불량, 감육 손상 등 다양한 결함 유형을 구분 가능성을 확인하였으며, 머신러닝 기반 자동화를
통해 대규모 데이터 처리와 결함 판별의 신뢰도를 향상시킬 수 있다.
2. 제안 방법
2.1 충격-응답 기법
본 연구에서는 CLP 배면 결함 탐지를 위해 충격-응답 기법을 적용하였다. 이 기법은 시험체 표면에 충격을 가해 발생한 진동을 가속도 센서로 계측하고,
이를 시간 영역 신호와 푸리에 변환(Fourier transform)을 통해 얻은 주파수 영역 신호로 분석할 수 있다. Fig. 2는 충격 및 계측의 도식과 함께 계측된 시간 영역 신호 및 이에 대응하는 주파수 스펙트럼을 나타낸다. 시험체의 재료 특성, 형상, 치수 및 경계 조건에
따라 다양한 공진 모드가 발생하며, 계측 신호 및 주파수 스펙트럼의 패턴을 분석함으로써 건전 영역과 결함 영역을 구분하고, 각 결함 유형을 분류할
수 있다.
Fig. 2. Schematic illustration of the impact-response method to evaluate the interface condition of a CLP
2.2 결함 감지 및 자동분류 머신러닝 모델 개발
본 연구에서는 충격-응답 기법으로 획득한 진동 신호를 기반으로 CLP 배면 결함을 자동 검출하고 유형을 분류하기 위해 머신러닝 기법을 적용하였다(Jeong, H.-P., 2024; (Cha, Y.-J., et al., 2017). 이를 위해 제작된 시험체에서 수집한 진동 데이터를 학습 데이터로 활용하였으며 모델은 1차원 합성곱 신경망(1-D convolutional Neural
network, 1-D CNN)을 활용하였다(Dang, H. V., 2020). Fig. 3은 제안한 1-D CNN 구조를 나타낸다. 입력 데이터는 시간 영역의 원 신호를 사용하였으며, 모델은 이를 기반으로 결함 상태를 네 가지로 분류한다:
Class 0(건전, Intact), Class 1(공극, Void), Class 2(접촉 불량, Kissing-bond), Class 3(감육손상,
Wall-thinning). 제안된 1-D CNN은 2개의 1-D 합성곱 및 최대 풀링(Max pooling) 계층과 2개의 완전 연결(Dense)
계층으로 구성하였다. 특히 두 완전 연결 계층 사이에 드롭아웃을 적용하여 학습 과정에서의 과적합을 최소화하고자 하였다(Choi, Y.-S., 2019).
Fig. 3. Schematic illustration of the proposed machine learning method to detect and classify CLP interface defects
또한 클래스 간 데이터 수의 불균형으로 인한 학습 편향을 방지하기 위해 Class weight를 적용하여 손실함수를 보정하였다. 해당 모델 훈련을
위한 주요 하이퍼파라미터 설정은 Table 1에 정리하였다.
Table 1. Hyperparameters used in the 1-D CNN model
|
Training
|
Architectural
|
|
Parameter
|
Value
|
Parameter
|
Value
|
|
Batch size
|
32
|
Pooling type
|
max pooling
|
|
Epochs
|
100
|
Pooling size
|
2
|
|
Learning rate
|
0.001
|
Activation function
|
ReLU
|
|
Dropout rate
|
0.5
|
Number of filters
|
64, 128
|
|
Optimizer
|
Adam
|
Stride
|
1
|
|
Early stopping
|
patience = 30
|
Padding
|
same
|
3. 실험을 통한 검증
3.1 시험체 제작 및 실험 구성
충격-응답 신호 기반 결함 검출 성능을 평가하기 위해 CLP 배면 결함을 모사한 시험체를 제작하였다. 시험체는 1 m x 1 m x 0.006 m의
라이너 플레이트를 두께 0.1 m 콘크리트 구조물에 부착하여 제작하였으며, 이때 콘크리트 배합비는 실제 한빛 3⋅4호기의 배합비와 동일하게 적용하였고,
상세 배합비는 Table 2에 제시하였다.
Table 2. Mix propotions of specimen (Hanbit Units 3 and 4, NSSC 2022)
|
W/C (%)
|
Compresssive Strength (Mpa)
|
Aggregate Content (kg/m3)
|
|
W
|
C
|
S
|
G25
|
|
42
|
37.9
|
129
|
308
|
578
|
683
|
원전 격납건물에서 실제로 보고된 결함 사례를 고려하여, 공극, 접촉 불량, 감육 손상 세 가지 결함을 모사하였다. 공극 및 접촉 불량 결함은 폴리스티렌
폼을 이용하여 구현하였으며, 공극은 크기 120 mm x 120 mm x 50 mm의 블록 형태, 접촉 불량은 150 mm x 150 mm x 3
mm 시트를 철판 배면에 부착하여 제작하였다. 감육 손상은 철판 밀링 가공을 하여 면적 106 mm x 106 mm, 깊이 3 mm로 구현하였다.
또한 라이너 플레이트 중앙부와 콘크리트의 전단 연결하는 스터드 영역을 시험체에 포함하였다. 이는 스터드에 의해 발생할 수 있는 진동 신호 간섭을 검토하고,
CLP 배면 결함 검출 시 구조적 요인이 미치는 영향을 고려하기 위함이다.
시험체 제작 과정과 결함 모사의 구체적 모습은 Fig. 4에 나타내었다. Fig. 4(a)는 시험체 형상 및 결함 배치 개념도, Fig. 4(b)는 콘크리트 타설 전 결함 모사 모습, Fig. 4(c)는 완성된 시험체 모습을 각각 보여준다.
Fig. 4. Test specimen used in this study: (a) schematic illustration of the CLP specimen, (b) interface defect simulation, and (c) completed specimen
3.2 진동 데이터 계측 및 학습용 데이터세트 구축
진동 데이터 계측 및 학습용 데이터세트 구축은 다음과 같은 절차로 수행하였다. 먼저, 검사영역은 전체 CLP (1m x 1m)를 가로 및 세로 방향으로
5 cm 간격의 격자로 분할하여 총 400개의 세부 영역으로 설정하였다.
Fig. 5. Vibration data acquisition areas from the CLP specimen
데이터 수집은 임팩트 해머(086C03, PCB Piezotronics)로 가진하고, 가진 지점 3 cm 이내에 가속도계(353B15, PCB Piezotronics)를
부착하여 진동 응답을 계측하였다. 계측 신호는 저잡음 신호 조정기(482C16, PCB Piezotronics)를 거쳐 데이터 수집 장치(NI USB-6366,
National Instruments)로 취득하였다. 각 세부 영역(5 cm × 5 cm)에서 3회씩 계측을 수행하였으며, 결함 영역은 추가로 47회
데이터를 확보하였다. Dataset 1∼3은 전체 영역을 순차적으로 한 차례씩 측정하여 구축하였고, Dataset 4는 결함 영역에서 추가로 확보한
데이터로 정의하였다. 이 중 Dataset 1, 2와 Dataset 4는 모델 훈련 및 검증에 사용하였으며, Dataset 3은 최종 성능 검증에
활용하였다. 각 클래스별 데이터 분포와 학습⋅검증⋅테스트 분할 결과는 Table 3에 제시하였다.
Table 3. Summary of dataset splits for training, validation, and test
|
Class
|
Train
|
Validation
|
Test
|
|
0
|
763
|
191
|
383
|
|
1
|
157
|
39
|
4
|
|
2
|
353
|
88
|
9
|
|
3
|
157
|
39
|
4
|
|
Total
|
1430
|
357
|
400
|
계측된 신호의 예시는 Fig. 6 및 Fig. 7에 제시하였다. Fig. 6은 시간 영역에서의 진동 신호를, Fig. 7은 동일 데이터를 주파수 영역으로 변환한 결과를 각각 나타낸다.
Fig. 6. Examples of measured time-domain signals: cases of (a) good bond, (b) kissing bond, (c) void, and (d) wall-thinning
Fig. 7. Examples of measured frequency-domain signals: cases of (a) good bond, (b) kissing bond, (c) void, and (d) wall-thinning
결함 영역으로 계측된 진동 신호를 주파수 영역으로 변환한 결과, 저주파 대역에서 공진 모드가 두드러지게 나타나 정상부와 구분되었다. 그러나 시간 영역에서는
정상부와 결함부의 차이뿐만 아니라 결함 유형별 특성 또한 더욱 뚜렷하게 구분되었다(Fig. 6, Fig. 7 참조). 특히 파형 차이가 각 결함 유형에 따라 명확하게 드러나 결함 특성을 식별하는 데 더 효과적이었다. 이에 따라 본 연구에서는 머신러닝 모델의
입력 데이터로 시간 영역 신호를 활용하였다.
데이터 품질을 검증하기 위해 Butterworth 저역통과 필터(4차, 컷오프 주파수 30 kHz)를 적용한 후 신호대잡음비(SNR)를 산정하였다(Horowitz et al., 2015). 본 연구의 샘플링 주파수는 200 kHz이며, 나이퀴스트 주파수(100 kHz)의 30%인 30 kHz를 유효 신호 대역으로 설정하였다. 전체
2,187개 계측 신호의 SNR은 평균 34.72 dB, 중앙값 30.61 dB, 표준편차 14.11 dB로 나타났다(Table 4). 이는 신호 진폭이 잡음보다 약 54배 이상 커, 외부 환경 및 계측 장비로 인한 잡음 영향이 매우 미미함을 의미한다.
Table 4. Summary of overall signal-to-noise ratio(SNR) statistics
|
|
Mean (dB)
|
Median (dB)
|
Std(dB)
|
|
SNR
|
34.72
|
30.61
|
14.11
|
3.3 CLP 배면 결함 감지 및 분류 결과
3.3.1 결함 유형별 신호의 유사성 분석
본 연구에서는 머신러닝 모델 적용에 앞서 데이터 클래스 간 유사성을 평가하기 위해 주성분 분석(Principal component analysis,
PCA)과 t-분포 학률적 임베딩(t-distributed Stochastic neighbor embedding, t-SNE) 기법을 수행하였다.
PCA 분석은 고차원 데이터를 선형적으로 저차원 공간에 투영하여 전반적인 분포 경향을 파악하는 데 효과적이지만, 비선형적으로 얽힌 데이터에서는 클래스
간 구분이 명확하지 않은 한계가 있다(Abdi, H., 2010). 반면 t-SNE는 데이터 간 쌍별 유사도를 확률적으로 계산하여 비선형 구조를 잘 반영하므로 복잡한 데이터의 시각화에 효과적이다(Van der Maaten, L., 2008).
Fig. 8은 PCA를 이용하여 시험체에서 계측된 데이터의 분포를 시각화한 결과를 나타낸다. 스터드(Stud)의 경우 건전부(Good)와 분포가 중첩되어 별도의
클래스로 구분할 필요성이 낮은 것으로 확인되었다. 반면, 공극(Void)은 다른 클래스와 뚜렷하게 분리되어 상대적으로 명확한 구분이 가능하였다. 그러나
접촉 불량(Kissing bond)와 감육 손상(Wall-thinning)은 데이터 분포가 서로 근접하여 상호 간의 경계가 불분명하게 나타나는 한계를
보였다.
Fig. 8. Data visualization via the principal component analysis (PCA) technique
또한 각 결함 유형 간 데이터 분포의 유사성을 정량적으로 평가하기 위해 PCA 변환 공간에서 각 결함 유형의 중심 간 거리를 계산하였다(Table 5). 대부분의 결함 유형 쌍은 최소 3 이상의 중심 거리를 보여, 상호 간 분포가 명확히 구분됨을 확인할 수 있었다. 그러나 Void-Stud 쌍의
중심 거리는 0.25로 매우 작게 나타나, 두 클래스 간 데이터 분포가 거의 중첩되어 있음을 의미한다. 따라서 PCA 결과 Void와 Stud는 서로
뚜렷한 구분이 어려울 정도로 유사한 분포 특성을 가지며, 이는 두 클래스가 사실상 동일한 결함 유형(Good)으로 분류될 수 있음을 알 수 있다.
따라서 건전 영역과 Stud 영역은 신호 특성이 매우 유사하게 나타나며, Fig. 6과 Fig. 7의 (a) 그래프에는 Stud 영역에서 계측된 신호 또한 포함되어 있다.
Table 5. Inter-class centroid distances in PCA-transformed space
|
비교 Class
|
중심거리
|
비교 Class
|
중심거리
|
|
Class0-Class1
|
4.65
|
Class1-Class3
|
8.28
|
|
Class0-Class2
|
3.04
|
Class1-Class4
|
4.47
|
|
Class0-Class3
|
5.31
|
Class2-Class3
|
3.44
|
|
Class0-Class4
|
0.25
|
Class2-Class4
|
3.15
|
|
Class1-Class2
|
7.37
|
Class3-Class4
|
5.36
|
Fig. 9은 t-SNE 기법을 적용하여 데이터 분포를 시각화한 결과를 나타낸다. 분석 결과, 모든 결함 유형이 뚜렷하게 구분되어 PCA 결과와 비교했을 때
한층 향상된 분류 가능성을 보여주었다. 특히 PCA 주성분 분석에서 구분이 어려웠던 접촉 불량과 감육 손상이 명확히 분리되는 것으로 확인되었다. 이는
PCA가 선형 차원 축소 기법으로는 반영하기 어려웠던 데이터의 비선형적 특성을 t-SNE가 효과적으로 반영하였음을 의미한다.
Fig. 9. Data visualization via the t-distributed stochastic neighbor embedding (t-SNE) technique
이러한 성분 분석 결과를 통해 동일한 결함 유형은 유사한 주요 특성을 공유하며, 서로 다른 결함 유형과는 뚜렷이 구별되는 특성을 지니고 있음을 확인하였다.
이는 곧 계측된 진동 데이터가 머신러닝 기반 학습에 적합한 분류 특성을 제공함을 확인할 수 있었다.
3.3.2 머신러닝 기반 결함 감지 및 분류 결과
Fig. 10은 개발한 1-D CNN 모델의 학습 곡선이다. 본 그래프는 에폭(Epochs) 진행에 따른 학습 데이터와 검증 데이터의 결함 유형 분류 정확도 변화를
보여주며, 검증 데이터세트에서 약 98.89%의 높은 정확도를 기록함으로써 훈련과 검증 과정 모두에서 안정적인 성능을 보였음을 확인할 수 있다. 또한
훈련과 검증 곡선이 유사한 경향을 나타내어 과적합은 제한적인 수준에 머문 것으로 평가된다.
Fig. 10. Learning history of the machine learning model (1-D CNN)
Fig. 11는 제안된 모델을 검증 데이터세트에 적용한 결과를 나타내는 혼동 행렬이다. 여기서 True label은 실제 결함 유형을, Predicted label은
학습된 모델이 예측한 결과를 나타낸다. 대부분의 샘플은 대각선에 집중되어 각 결함 유형이 전반적으로 정확히 분류되었음을 확인할 수 있다.그러나 건전
영역을 Void 영역으로 잘못 판단한 경우가 1건, Kissing bond 영역을 건전 영역으로 잘못 판단한 경우가 1건, Wall-thinning
영역을 Kissing bond로 잘못 판단한 경우가 1건으로, 총 3건의 분류 오류가 발생하였다.
Fig. 11. Confusion matrix on the validation sets
Table 6와 Table 7는 각각 검증 및 테스트 데이터셋에 대한 분류 성능 지표를 나타낸 것이다. 분류 성능 지표는 각 클래스별 정밀도(precision), 재현율(recall),
F1-score, 그리고 데이터 개수(support)를 제시하여 모델의 세부 성능을 평가할 수 있도록 한다. 검증 데이터 세트(Table 6)에서는 전체 분류 정확도가 98.89%로 나타났으며, 이는 Fig. 11의 혼동 행렬에서 확인된 오분류가 반영된 결과이다. 반면, 테스트 데이터 세트(Table 7)에서는 모든 클래스에서 정밀도, 재현율, F1-score가 1.0으로 나타나 100%의 분류 정확도를 달성하였다. 이를 통해 제안된 모델이 새로운
데이터에 대해서도 높은 일반화 성능을 확인할 수 있었다.
Table 6. Classification report of the validation set
|
Class
|
Precision
|
Recall
|
F1-score
|
Support
|
|
0
|
0.995
|
0.995
|
0.995
|
198
|
|
1
|
1.000
|
0.973
|
0.986
|
36
|
|
2
|
0.988
|
0.988
|
0.988
|
83
|
|
3
|
40.97
|
1.000
|
0.987
|
37
|
Accuracy: 98.89%
Table 7. Classification report of the test set
|
Class
|
Precision
|
Recall
|
F1-score
|
Support
|
|
0
|
1.00
|
1.00
|
1.00
|
383
|
|
1
|
1.00
|
1.00
|
1.00
|
4
|
|
2
|
1.00
|
1.00
|
1.00
|
9
|
|
3
|
1.00
|
1.00
|
1.00
|
4
|
Accuracy: 100%
Fig. 12은 제안된 모델의 오분류 사례를 보여준다. Fig. 12(a)는 Void 데이터를 Good으로 예측한 경우로, 실제 신호는 Good보다 Void 특성과 더 유사하다. Fig. 12(b)는 Kissing bond를 Wall-thinning으로 잘못 분류했으나, 신호 패턴은 Wall-thinning보다 Kissing bond에 가깝다.
Fig. 12(c)는 Good을 Kissing bond로 예측했지만, 실제 신호는 Good 특성과 더 일치한다. 이러한 결과는 오분류된 데이터가 예측 클래스보다 실제
클래스의 신호 특성과 더 높은 유사성을 가지며, 이는 데이터의 문제라기보다 모델의 표현 한계를 보여준다.
Fig. 12. Visualization of representativfe misclassified signals identified from the CLP defect classification resutls
Fig. 13은 제안된 모델을 적용하여 CLP 배면 결함을 시각화한 결과를 나타낸 것이다. 분석 결과, 예측된 결함 유형이 실제 시험체 제작 시 모사한 결함의
위치와 일치하게 나타났으며, 스터드 영역은 건전 영역과 동일하게 class 0으로 분류되는 것을 확인하였다.
Fig. 13. Visualization of the CLP defect classification results
3.3.3 시계열 데이터 분류 알고리즘과의 비교
본 연구에서는 제안한 1-D CNN 모델과 비교하기 위해 시계열 처리에 널리 사용되는 LSTM(Long Short-Term Memory) 모델을 적용하여
결함 신호 분류 성능을 검토하였다. Fig. 14의 혼동행렬 결과에서 LSTM은 모든 데이터를 건전 영역(Class 0)으로만 예측하며, 다른 결함 유형은 전혀 구분하지 못하였다. Table 8의 성능 지표 역시 전체 정확도는 약 48.46%에 불과하고, Class 0을 제외한 나머지 클래스의 정밀도, 재현율, F1-score가 모두 0으로
나타나 실제 분류 기능을 수행하지 못한 것으로 확인되었다.
Fig. 14. Confusion matrix of the validation set using LSTMmodel
Table 8. Classification report of the validation set using LSTM model
|
Class
|
Precision
|
Recall
|
F1-score
|
Support
|
|
0
|
0.4846
|
1.00
|
0.6528
|
173
|
|
1
|
0.00
|
0.00
|
0.00
|
38
|
|
2
|
0.00
|
0.00
|
0.00
|
106
|
|
3
|
0.00
|
0.00
|
0.00
|
40
|
Accuracy: 48.46%
4. 결 론
본 연구에서는 충격-응답 기법과 머신러닝 알고리즘을 결합하여 원전 격납건물 라이너 플레이트(CLP) 배면 결함을 효과적으로 검출 및 분류하는 방법을
제안하였다. 주요 결론은 다음과 같다.
1. 실제 원전에서 보고된 사례를 기반으로 공극(Void), 접촉 불량(Kissing bond), 감육손상(Wall-thinning) 결함을 모사한
시험체를 제작하고 진동 데이터를 계측하였다.
2. 결함 유형별 신호 특성이 상이하게 나타났으며, 특히 시간 영역 신호가 결함 간 차이를 뚜렷하게 드러내어 머신러닝 학습에 효과적인 입력 특성을
제공하였다.
3. 제안된 1-D CNN 모델은 검증 데이터세트에서 약 98.88%의 정확도, 테스트 데이터세트에서 100%의 정확도를 달성하여 높은 분류 성능과
일반화 가능성을 입증하였다.
4. 기존 연구 대비 CLP 배면 결함을 네 가지 유형으로 세분화하여 분류함으로써 CLP 배면 결함의 세밀한 진단이 가능함을 확인하였다.
5. 결함 위치 및 유형의 시각화 결과는 시험체 제작 시 설정한 실제 결함과 일치하여, 제안 기법의 신뢰성과 실효성을 검증하였다.
따라서 본 연구의 접근법은 원전 격납건물 CLP 배면 결함의 조기 진단과 안전성 확보를 위한 효과적인 방법으로 기대된다.
한편, 본 연구에서는 실험체 두께를 약 10 cm로 설정하였으나, 실제 원전 격납구조의 라이너 플레이트 배면 콘크리트 두께는 약 120 cm로 차이가
존재한다. 이에 따라 구조 두께 증가에 따른 응답 특성 변화를 반영하기 위해, 향후 연구에서는 실제 두께를 모사한 실험체를 제작하여 제안된 모델의
일반화 가능성과 적용성을 추가적으로 검증할 계획이다.
감사의 글
본 연구는 과학기술정보통신부 재원 한국연구재단의 연구비 지원을 받아 수행된 연구이며(RS-2024-00358501, RS- 2022-00143120),
이에 감사드립니다.
References
Abdi, H., Williams, L. J. (2010), Principal Component Analysis, Wiley Interdisciplinary
Reviews: Computational Statistics, 2(4), 433-459.
(1992), Section XI, Subsection IWE: Requirements for Class MC and Metallic Liners
of Class CC Components of Light-Water Cooled Plants
Hohmann, B. P., Crosson, J. P., Esselman, T. C., Wall, J. J., Quarry, M., Breon, L.
(2014), Flaw Detection Capability and Sensitivity in the Inspection of Nuclear Containment
Liner and Shell Mock-Ups Utilizing a Magnetostrictive Sensor (MsS) Guided Wave UT
Technique, Journal of Modern Physics, 5(11), 845-856.
Kim, J. H., Han, K. S., Lee, T. H. (2019), Field Experience of In-Service Inspection
for Metallic Liners on Containment Building of Domestic Nuclear Power Plant, Journal
of The Korean Society for Nondestructive Testing, 39(3), 161-167.
(2017), Nuclear Safety and Security Commission (NSSC), Interim Inspection Results
and Future Plans on Containment Liner Plate (CLP) Backside Corrosion
Scott, D. B. (2013), Internal Inspection of Reinforced Concrete for Nuclear Structures
Using Shear Wave Tomography, Energy Conversion and Management, 74, 582-586.
Lee, J.-W., Kee, S.-H., Lee, K. S. (2022), Evaluation of debonding defects in railway
concrete slabs using shear wave tomography, Journal of the Korea Institute for Structural
Maintenance and Inspection, 26(3), 11-20.
Choi, Y.-S., J.-H., , Cho, H.-C., Lee, C.-J. (2019), Asphalt concrete pavement surface
crack detection using convolutional neural network, Journal of the Korea Institute
for Structural Maintenance and Inspection, 6, 38-44.
Jeong, H.-P., Song, H., Choi, Y.-C. (2024), Real-time road surface recognition an
black ice prevention system for asphalt concrete pavements using image analysis, Journal
of the Korea Institute for Structural Maintenance and Inspection, 28(1), 82-89.
Van der Maaten, L. J. P., Hinton, G. E. (2008), Visualizing Data using t-SNE, Journal
of Machine Learning Research, 9, 2579-2605.
Yeom, Y. T., Choi, Y. W., Kim, H. J., Kim, H. H., Park, J. S., Ryu, S. W., Song, S.
J. (2022), Containment Liner Plate Void Defect Detection Technique Using Phased Array
Ultrasonic Testing and Acoustic Resonance Method, Materials, 15(4), 1330
Horowitz, P., Hill, W. (2015), The Art of Electronics
Cha, Y.-J., Choi, W., Büyüköztürk, O. (2017), Deep learning- based crack damage detection
using convolutional neural networks, Computer-Aided Civil and Infrastructure Engineering
Dang, H. V., Raza, M., Nguye, H. x. (2020), Deep learning- baed detection of structural
damage using time-serious data, Structure and Infrastructure Engineering